1.一种基于深度学习的轻量化端到端csi获取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的轻量化端到端csi获取方法，其特征在于，所述步骤s11中，hopfnet的输入数据集为{g,g}，其中为信道矩阵，表示对信道矩阵η取实部，表示对信道矩阵η取虚部，k为子载波数目，nt为基站天线数。
3.根据权利要求1所述的一种基于深度学习的轻量化端到端csi获取方法，其特征在于，所述步骤s12中，基于正交随机特征的高速注意力机制hopfa由特征映射层、随机投影层、自注意力机制层组成，其中，特征映射层层数设置为1，特征维度设置为512；随机投影层层数设置为1，特征维度设置为1024；自注意机制层层数设置为1，注意力头数设置为8。
4.根据权利要求1所述的一种基于深度学习的轻量化端到端csi获取方法，其特征在于，所述步骤s12中，对hopfnet进行训练，损失函数设置为均方误差优化器设置为adam，batchsize设置为200，学习率为0.0001，epoch设置为600，其中为hopfnet训练过程中的数据集的标签，为hopfnet训练过程中模型的输出数据，为信道矩阵，表示对信道矩阵η取实部，表示对信道矩阵η取虚部，k为子载波数目，nt为基站天线数，n为训练样本个数。
5.根据权利要求1所述的一种基于深度学习的轻量化端到端csi获取方法，其特征在于，所述步骤s12中，保存模型最佳权重,开始训练时，将loss_best设置为200，每一轮训练完成后，将验证集输入训练完成的hopfnet，得到当前轮验证集的loss，若loss小于loss_best，则将loss赋值给loss_best，且保存本轮训练的模型权重作为最佳权重，继续下一轮训练；若loss大于loss_best，则直接进行下一轮训练。
6.根据权利要求1所述的一种基于深度学习的轻量化端到端csi获取方法，其特征在于，所述步骤s13中，基站端将训练完成的导频设计网络的权重作为导频信号，将导频信号发送至用户端，经过hopfnet的处理后得到网络的输出将v在第一个维度拆分成两个矩阵其中k为子载波数目，nt为基站天线数，计算即可得到下行实时估计信道